Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo.
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFJF |
Texto Completo: | https://repositorio.ufjf.br/jspui/handle/ufjf/16199 |
Resumo: | O nível de carbono orgânico total das amostras de rochas é a principal medida quantitativa e qualitativa da quantidade de matéria orgânica presente em uma bacia. Muitas vezes é estimado manualmente através do estudo de amostras de rochas de origem. Esta abordagem, no entanto, requer tempo e dinheiro porque depende de amostras retiradas de vários intervalos de poços em rochas geradoras. Como resultado, tentativas de pesquisa têm sido feitas para auxiliar nessa empreitada. Algoritmos de aprendizado de máquina surgem como uma alternativa para fornecer estimativas de carbono orgânico total com base em registros de poços de dados e análise estratigráfica. Considerando esse cenário, a pesquisa atual sugere que a estimativa de carbono orgânico total seja automatizada usando abordagens de aprendizado de máquina. Para adicionar flexibilidade ao modelo, a seleção dos parâmetros dos modelos foi realizada usando uma abordagem com meta- heurísticas emparelhadas com validação cruzada. Esta técnica computacional permite a identificação de modelos com maior potencial de generalização. Foram usados Redes Neurais Convolucionais (RNC), Extreme Learning Machine, Elastic Net Linear Model e Extreme Gradient Boost. A abordagem sugerida foi validada usando amostras de algumas bacias sedimentares. Em várias métricas estudadas, a técnica RNC se sobressai às demais abordagens, demonstrando capacidade em auxiliar geólogos na previsão de concentrações de carbono orgânico total. |
id |
UFJF_128637e107d739ec10fe3b3dcdd84fcc |
---|---|
oai_identifier_str |
oai:hermes.cpd.ufjf.br:ufjf/16199 |
network_acronym_str |
UFJF |
network_name_str |
Repositório Institucional da UFJF |
repository_id_str |
|
spelling |
Fonseca, Leonardo Goliatthttp://lattes.cnpq.br/9030707448549156Saporetti, Camila Martinshttp://lattes.cnpq.br/4862105931908699Basilio, Samuel da Costa Alveshttp://lattes.cnpq.br/http://lattes.cnpq.br/Silva, Rodrigo Oliveira2023-11-17T11:33:53Z2023-11-172023-11-17T11:33:53Z2022-08-05https://repositorio.ufjf.br/jspui/handle/ufjf/16199O nível de carbono orgânico total das amostras de rochas é a principal medida quantitativa e qualitativa da quantidade de matéria orgânica presente em uma bacia. Muitas vezes é estimado manualmente através do estudo de amostras de rochas de origem. Esta abordagem, no entanto, requer tempo e dinheiro porque depende de amostras retiradas de vários intervalos de poços em rochas geradoras. Como resultado, tentativas de pesquisa têm sido feitas para auxiliar nessa empreitada. Algoritmos de aprendizado de máquina surgem como uma alternativa para fornecer estimativas de carbono orgânico total com base em registros de poços de dados e análise estratigráfica. Considerando esse cenário, a pesquisa atual sugere que a estimativa de carbono orgânico total seja automatizada usando abordagens de aprendizado de máquina. Para adicionar flexibilidade ao modelo, a seleção dos parâmetros dos modelos foi realizada usando uma abordagem com meta- heurísticas emparelhadas com validação cruzada. Esta técnica computacional permite a identificação de modelos com maior potencial de generalização. Foram usados Redes Neurais Convolucionais (RNC), Extreme Learning Machine, Elastic Net Linear Model e Extreme Gradient Boost. A abordagem sugerida foi validada usando amostras de algumas bacias sedimentares. Em várias métricas estudadas, a técnica RNC se sobressai às demais abordagens, demonstrando capacidade em auxiliar geólogos na previsão de concentrações de carbono orgânico total.The total organic carbon of rock samples is the main detailed and qualitative measure of the organic matter present in a basin. It is often manually calculated by studying source samples. This approach, however, requires time and money because it relies on withdrawals from various well intervals in source rocks. As a result, research has been carried out to assist in this endeavor. Machine learning algorithms are an alternative to providing estimates of total organic carbon based on data well records and stratigraphic analysis. In this scenario, the current one suggests an estimate of total organic carbon that is thought using the machine learning approach. To add flexibility to the model, the selection of the cross parameters was performed using a standard heuristic approach with validation. This computational technique allows the identification of models with greater generalization potential. Convolutional Neural Networks (CNN), Extreme Learning Machine, Elastic Net Linear Model and Extreme Gradient Boost were used. The suggested approach was validated using samples from some sedimentary basins. In research capacity, the RNC technique excels approaches, demonstrating in helping the prediction of total organic carbon.porUniversidade Federal de Juiz de Fora (UFJF)UFJFBrasilFaculdade de EngenhariaAttribution-ShareAlike 3.0 Brazilhttp://creativecommons.org/licenses/by-sa/3.0/br/info:eu-repo/semantics/openAccessEngenhariaCOTRedes neurais convulacionaisAprendizado de máquinaTOCConvolutional neural networksMachine learningAbordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo.Evolutionary Machine Learning Approach to Characterization lithology of oil exploration wells.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFORIGINALrodrigooliveirasilva.pdfrodrigooliveirasilva.pdfPDF/Aapplication/pdf3897896https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/1/rodrigooliveirasilva.pdfec8ca4c78923178879403ded4b2bf62bMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/2/license_rdf9b85e4235558a2887c2be3998124b615MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53TEXTrodrigooliveirasilva.pdf.txtrodrigooliveirasilva.pdf.txtExtracted texttext/plain65110https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/4/rodrigooliveirasilva.pdf.txtb81acbd84aeee9d1b4c71dd5ca2c5b6fMD54THUMBNAILrodrigooliveirasilva.pdf.jpgrodrigooliveirasilva.pdf.jpgGenerated Thumbnailimage/jpeg1160https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/5/rodrigooliveirasilva.pdf.jpg4955328d3cc31451b9a521e4a7c41ee7MD55ufjf/161992023-11-18 04:04:23.412oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2023-11-18T06:04:23Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false |
dc.title.pt_BR.fl_str_mv |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. |
dc.title.alternative.pt_BR.fl_str_mv |
Evolutionary Machine Learning Approach to Characterization lithology of oil exploration wells. |
title |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. |
spellingShingle |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. Silva, Rodrigo Oliveira Engenharia COT Redes neurais convulacionais Aprendizado de máquina TOC Convolutional neural networks Machine learning |
title_short |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. |
title_full |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. |
title_fullStr |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. |
title_full_unstemmed |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. |
title_sort |
Abordagem evolutiva de aprendizado de máquina para caracterização litológica de poços de exploração de petróleo. |
author |
Silva, Rodrigo Oliveira |
author_facet |
Silva, Rodrigo Oliveira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Fonseca, Leonardo Goliatt |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9030707448549156 |
dc.contributor.referee1.fl_str_mv |
Saporetti, Camila Martins |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/4862105931908699 |
dc.contributor.referee2.fl_str_mv |
Basilio, Samuel da Costa Alves |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/ |
dc.contributor.author.fl_str_mv |
Silva, Rodrigo Oliveira |
contributor_str_mv |
Fonseca, Leonardo Goliatt Saporetti, Camila Martins Basilio, Samuel da Costa Alves |
dc.subject.cnpq.fl_str_mv |
Engenharia |
topic |
Engenharia COT Redes neurais convulacionais Aprendizado de máquina TOC Convolutional neural networks Machine learning |
dc.subject.por.fl_str_mv |
COT Redes neurais convulacionais Aprendizado de máquina TOC Convolutional neural networks Machine learning |
description |
O nível de carbono orgânico total das amostras de rochas é a principal medida quantitativa e qualitativa da quantidade de matéria orgânica presente em uma bacia. Muitas vezes é estimado manualmente através do estudo de amostras de rochas de origem. Esta abordagem, no entanto, requer tempo e dinheiro porque depende de amostras retiradas de vários intervalos de poços em rochas geradoras. Como resultado, tentativas de pesquisa têm sido feitas para auxiliar nessa empreitada. Algoritmos de aprendizado de máquina surgem como uma alternativa para fornecer estimativas de carbono orgânico total com base em registros de poços de dados e análise estratigráfica. Considerando esse cenário, a pesquisa atual sugere que a estimativa de carbono orgânico total seja automatizada usando abordagens de aprendizado de máquina. Para adicionar flexibilidade ao modelo, a seleção dos parâmetros dos modelos foi realizada usando uma abordagem com meta- heurísticas emparelhadas com validação cruzada. Esta técnica computacional permite a identificação de modelos com maior potencial de generalização. Foram usados Redes Neurais Convolucionais (RNC), Extreme Learning Machine, Elastic Net Linear Model e Extreme Gradient Boost. A abordagem sugerida foi validada usando amostras de algumas bacias sedimentares. Em várias métricas estudadas, a técnica RNC se sobressai às demais abordagens, demonstrando capacidade em auxiliar geólogos na previsão de concentrações de carbono orgânico total. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-08-05 |
dc.date.accessioned.fl_str_mv |
2023-11-17T11:33:53Z |
dc.date.available.fl_str_mv |
2023-11-17 2023-11-17T11:33:53Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufjf.br/jspui/handle/ufjf/16199 |
url |
https://repositorio.ufjf.br/jspui/handle/ufjf/16199 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.publisher.initials.fl_str_mv |
UFJF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFJF instname:Universidade Federal de Juiz de Fora (UFJF) instacron:UFJF |
instname_str |
Universidade Federal de Juiz de Fora (UFJF) |
instacron_str |
UFJF |
institution |
UFJF |
reponame_str |
Repositório Institucional da UFJF |
collection |
Repositório Institucional da UFJF |
bitstream.url.fl_str_mv |
https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/1/rodrigooliveirasilva.pdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/2/license_rdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/3/license.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/4/rodrigooliveirasilva.pdf.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/16199/5/rodrigooliveirasilva.pdf.jpg |
bitstream.checksum.fl_str_mv |
ec8ca4c78923178879403ded4b2bf62b 9b85e4235558a2887c2be3998124b615 8a4605be74aa9ea9d79846c1fba20a33 b81acbd84aeee9d1b4c71dd5ca2c5b6f 4955328d3cc31451b9a521e4a7c41ee7 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF) |
repository.mail.fl_str_mv |
|
_version_ |
1801661423394226176 |